Microsoft Word Materiallar Full Mənim gənclərə xüsusi
II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS
Yüklə 10,69 Mb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- QRAF VERİLƏNLƏR MODELİ VƏ RDBMS MODELİ İLƏ MÜQAİSƏLİ TƏHLİLİ Həsənağa MƏMMƏDOV
- II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS
- ENABLE MOBILE ROBOT TO RECOGNIZE AND CLASSIFY OBJECTS Huseyn PASHAYEV, Asad MAMMADOV
- Refferences
|
II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 586
Qafqaz University 18-19 April 2014, Baku, Azerbaijan USING PARTIALLY OBSERVABLE MARKOV DECISION PROCESS FOR INDOOR PLANNING AND NAVIGATION IN ROBOTICS
Qafqaz University
AZƏRBAYCAN
It is already part of our life to work with automated systems that enables a set of useful applications for us. A field that got our attention for development of such applications is robotics. It has a lot of applications for different environments, but in this thesis we will take only indoor applications into consideration. Reason of writing the thesis is to show results of our research on using POMDP for indoor navigation and planning problem in robotics. As a result of this research we are going to develop an application for indoor navigation problem of AzerRobot project. Planning and navigation is the basic problem in robotics and there are already a lot of proposed solutions for solving the problem. The Dervish[1], Xavier[2] and other projects have shown good results and had very large impact in finding optimal solutions for this. But using the robot in indoor environment has some additional problems like similar environment parameters e.g. - offices, corridors. Also, because of noisy sensor data, changing environment and not being able to fully observe environment makes it is hard to estimate future steps efficiently. Recent research in several labs shows that using POMDP for such problem gives very hopeful results. Before describing proposed solution let's first define POMDP for our environment. POMDP states Partially Observable Markov Decision Process and formally defined by four parameters S, A, T and R and for each new iteration I i+1 for S
i+1, A i+1, T i+1,
R i+1
is used only S i,
A i,
T i,
R i where S – state space; current state of the robot, perceived sensor data (also known as belief state) T – transition matrix; set of possible state space transition probabilities pbts(s'|s,a) A – action; an executed process according to state space and transition matrix R – reward; a gain from last action (can be positive or negative) In each iteration or time step robot initially has state space S and it is able to observe possible transitions T, then taking action A using transition T robot updates it's belief and gains reward R. As stated in [3] the action in a partially observable environment can be decomposed into a state estimator and policy where state estimator takes the last belief state S i , the most recent action A i and the most recent observation as input, and returns an updated belief state S i+1
. Like it is said above there are some problems. Besides the POMDP algorithm most of the problems can be solved by using appropriate sensors. Generally for distance detection is used sonar sensors. They have some noise, but it is not actual problem. The actual problem with sonars or other kind of distance sensors is they are not able to perceive the environment visually, so we got lots of negative reward in our application. Sonars used to measure distance, so robots can't differ a corridor or open door. To solve this problem needed visual data of the environment, and simple object recognition algorithm. It is possible to use 2D or 3D cameras for recognition but it is only required to recognize the doors and it can be done by using any 2D camera an PCA to reduce image dimensionality [4]. Our solution combines the proposed two applications. First is to use camera or other sensor for getting visual data of environment and second is to process given data with POMDP algorithm. POMDP algorithm already implemented in simulation and we are going to implement it in AzerRobot project. But as a first stage of the project we use NAO robot from Aldebaran Robotics and are going to test our algotihm on it. Reference [1] Illah N., Rob P., and Stan B. “DERVISHAn Office-Navigating Robot” AI Magazine, Volume 16 Number 2 , 1995 [2] Simmons R., Fernandez J., Goodwin R., Koegin S. and O'Sullivan J. Xavier “An Autonomous Mobile Robot on the Web”, IEEE Robotics and Automation Magazine, 1999 [3] Lopez E., R. Barea, L. Bergasa and M. Escudero, “Visually augumented POMDP for indoor robot navigation”, 21th IASTRD International Multi-Conference on Applied Informatics, 2003 [4] N. Vlassis, B. Terwijn, and B. Kr se, “Auxiliary particle filter robot localization from high-dimensional sensor observations,” in Proc. IEEE Int. Conf. on Robotics and Automation, Washington D.C., May 2002, pp. 7–12.
II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 587
Qafqaz University 18-19 April 2014, Baku, Azerbaijan QRAF VERİLƏNLƏR MODELİ VƏ RDBMS MODELİ İLƏ MÜQAİSƏLİ TƏHLİLİ Həsənağa MƏMMƏDOV Qafqaz Universiteti info@hasanaga.info AZƏRBAYCAN
Bu məqalədə qraf verilənlər baza modelindən bəhs edilib, Qraf verilənlər bazası idarəetmə sistemlərindən ən məşhuru Neo4j və Cypher sorğu dili ilə tətbiqi məsələ həll edilmişdir. Qraf modeli müxtəlif elmi, biznes sahələrində tətbiq edilir. Qarışıq verilənləri təsvir etmək üçün çox əhəmiyyətlidir. Hansı tip məsələlərin həllində daha yaxşı nəticə göstərməsi məqalədə təsvir edilmişdir.
20-ci əsrin sonunda İnternetin, elektron hesablama maşınlarının kəşfi informasiya inqilabına səbəb oldu və informasiyanın saxlanması, yenidən email edilməsi kimi problem meydana gəlməyə başladı. İnformasiyanı komputerdə təhlükəsiz saxlamaq üçün verilənlər bazası idarəetmə sistemlərində istifadə olunur. Verilənlər Bazası tarixi inkişaf yolunu keçərək günümüzdə demək olar ki, istənilən sahədə uğurla tətbiq olunmaqdadır. Verilənlər bazasının aşağıdakı modelləri vardır. İerarxik model - verilənlər bazası ağacşəkilli (ierarxik) təşkil olunur Qraf modeli – verilənlər bazası qraf şəklində təşkil olunur Relasiya modeli – verilənlər cədvəllərdə yerləşdirilir və bu cədvəllər arasında əlaqə yaradılır. Obyektyönümlü model – bazanın ayrı-ayrı yazıları obyekt şəklində təşkil olunur. Relyasiya modeli hal-hazırda daha çox istifadə olunan baza modelidir. Oracle, MySql, Sql server və s. kimi VBİS-lər (verilənlər bazası idarəetmə sistemləri) bu modeldən istifadə edir. Əgər verilənlərdə çox sayda və çox növdə əlaqələr varsa- xaotik modelə sahibdirsə və obyektlər arasında əlaqələri sorğu vermək üstünlük təşkil edirsə verilənləri Qraf modelində təsvir etmək daha əlverişlidir. Bu cür əlaqəli verilənləri relyasiya ilə təsvir etdikdə sorğu verilən zaman çoxlu sayda “Join” əməliyyatından istifadə edilir və nəticədə performans aşağı düşür. Relyasiya modeli belə hallar üçün əlverişli deyil. Əgər qoyulan məsələdə obyektlər arasında çoxun-çoxa əlaqə növü üstünlük təşkil edirsə Qraf verilənlər bazası modelindən istifadə etmək məqsədəuyğundur. Qraf verilənlər bazası bu günün biznes, elm sahələrinə nüfuz edən sahədir. İnsanlar arasında qohumluq əlaqələri, sosial şəbəkələrdən tutmuş mürəkkəb gen, protein hüceyrələrinin təsviri və analizində, çoğrafi informasiya sistemlərində uğurla tətbiq edilir. Naviqasiya sistemlərində ən qısa marşrutu tapmaqda, şəbəkə tapologiyasında – informasiyanı şəbəkədə ötürmək üçün ən qısa yolu tapmaq üçün, istifadə edilir. Graf verilənlərin bazasının tətbiq sahələrini aşağıdakı kimi qruplaşdırılır. Sosial şəbəkələr Sənaye Xəritədə yolun tapılması Çoğrafi alqoritmlərdə Fırıldaqçılığın qeydə alınmasında Multi-tenancy – mutli-icarə Dependency mapping - Asıllığın xəritəsi Bioinformatika natural language processing – təbi dil emalı Qraf verilənlər bazasının xarakteristikaları aşağdakılardır: Düyünlər (node) və əlaqələrdən (relationships) ibarət olur. Düyünlərin və əlaqələrin xassaləri (properties) olur. Əlaqələrin adları, istiqamətləri, başlanğıc və sonu olur. Qraf modelinin sadə struktura malik olmasına baxmayaraq mürəkkəb məsələlərin həllində tətbiq edilir. Sosial şəbəkələrdə tətbiqinə Twitter sosial şəbəkəsinin nümunəsində aşağıdakı kimi olur.
B
A D
Qafqaz Uni A, B və
Verilən
bazası idarəe proqramıdır. sorğu dili ola Qraf ver
sadə konseps olunur. Rely verilənlər baz “Delete”, qra Relyasiy oynaya bilər Bu mode 1) Yaş
RETURN nR 2) Film
Q: STAR R: SELE
on Movi 2-si sorğ 3) Həm Q: START p RETURN pe R: SELECT person_id FR
C-ni izləyir. B bazasında ye etmə sistemlər Neo4j Javada araq Cypher d rilənlər bazası siyadan - düy yasiya verilən zasında isə ik af vb-də isə “E ya və Qraf mo və filmin reji elin relyasiya şı 30-dan böyü R (Relyasiya): mlərdə rol alan RT actor=nod ECT Person.na ie.movie_id = ğunu təhlil edə START
MATC MATC
>(movie) RETUR
m aktyor həm person=node:P erson.name name FROM ROM Director
B yalnız C-ni eni veriləni da rindən istifadə a yazılmış açı dilindən istifad ının relyasiya yün və tillərdə lər bazasına y ki operatordan Erase” (düyün odellərini müq ssoru ola bilər və qraf verilə ük olan insanl : SELECT * F n insanların si de:Person("nam ame, Movie.ti = Actor.movie_ ək. T actor=node: CH (actor)-[:A CH (actor RN actor.nam rejissor olan i Person("name: Person WHE r)
izləyir. C də B axil etmək, re ə olunur. Qra ıqməmbə kod də edilir. Cyph tipli verilənlə ən istifadə olun yeni informas n – “Store” və n) və “Disconn qayisəli təhlil r. ənlər bazasınd arın siyahısı Q FROM Person iyahısı me:*") MATC itle FROM Pe _id
:Person ACTS_IN] r)-[:ACTS_IN me, movie.title insanların siya :*") WHERE RE person_id
588
B-ni izləyir və edaktə etmək f verilənlər ba dlu proqramdır her sorğu dili b ər bazasından nduğu halda r siya əlavə etm ə “Connect” is nect” (til) oper etmək üçün da müqayisəli b Q (CYPHER) n WHERE age CH (actor)-[:A erson JOIN Ac FRO JOIN
Actor.per N]-
JOIN Actor.mo
SEL ahısı
(person)-[:AC d IN ( SELECT D Tweet
Tweet Cari tw
Növb RENCE OF Y ə həmçini D-n
k, sorğu etmək azası idarə etm r və müxtəlif bəsit olmasına əsas nəzəri de relyasiya veril mək üçün 1 o stifadə olunur ratorlarından “Aktyor – film
bəzi sorğuları : START n=n e > 30
ACTS_IN]->(m ctor on Person OM Person N Actor
rson_id N Movie
ovie_id LECT Person.n CTS_IN]->() A T person_id F weet bətitweet YOUNG RES 18-19 A ni izləyir. D isə k, təhlükəsliy mə sistemlərin platformalard a baxmaraq gü ezavantajları i lənlər bazasın operatordan – r. İnformasiya istifadə olunu m” modelinə ı: node:Person(" movie) RETU n.person_id = on Person on Movi
name, Movie.t AND (person) FROM Actor)
ə yalnız A-nı yini təmin etm ndən ən məşh da dəstəklənir. üclü dildir. informasiyanı nda isə 1 konse – “İnsert” isti anı silmək üçü ur. baxaq. Hər b "name:*") WH URN actor.nam Actor.person_ n.person_id ie.movie_id title
)-[:DIRECTE AND person_ RS aku, Azerbai izləyir. mək üçün Ver huru Neo4j tət Neo4j VBİS ı saxlamaq üçü epsiyadan isti ifadə olunur, ün relyasiya vb bir şəxs filmdə HERE n.age>3 me, movie.title _id JOIN Mov = = ED]->() _id IN ( SELE ijan rilən
tbiqi S-də
ün 2 ifadə
qraf b-də
ə rol 30
e vie
ECT II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 589
Qafqaz University 18-19 April 2014, Baku, Azerbaijan 4) Lucy ilə filmdə çəkilən aktyorların siyahısı Q: START lucy=node:Person(name="Lucy Liu") MATCH lucy-[:ACTS_IN]->movie, co_actor-[:ACTS_IN]->movie RETURN DISTINCT co_actor.name R: SELECT DISTINCT co_actor.name FROM Person lucy JOIN Actor a1 ON lucy.person_id = a1.person_id JOIN Actor a2 ON a1.movie_id = a2.movie_id JOIN Person co_actor ON co_actor.person.id = a2.person_id WHERE lucy.name = "Lucy Liu” Lucy-nin çəkildiyi filmlərin rejissorlarının siyahısı Q: START lucy=node:Person(name="Lucy Liu") MATCH lucy- [:ACTS_IN]->movie, director-[:DIRECTED]->movie RETURN director.name, count(*) ORDER BY count(*) desc R: SELECT dir.name, count(*) FROM Person lucy JOIN Actor on Person.person_id = Actor.person_id JOIN Director on Actor.movie_id = Director.movie_id JOIN Person dir on Director.person.id = dir.person_id WHERE lucy.name = "Lucy Liu" GROUP BY dir.name ORDER BY count(*) DESC
Huseyn PASHAYEV, Asad MAMMADOV
Qafqaz University h.pashayev@ictsrcqu.org , a.mammadov@ictsrcqu.org AZƏRBAYCAN
use haptic, statistical or visual information like camera, which returns a cloud of points, according to which these points segmented into clusters, where each cluster is primitive geometric structure and the geometric relationship between these clusters defines the object. If we are talking about recognition and classification of objects the term affordance have to be initially proposed. This term was initially proposed by J. Gibson [1] and now widely used in robotics. So what is the affordance and how it’s used in robotics? For each object there are a number of actions which is possible to perform with it depending on object which is interacting with it. Now let suppose the chair, human can push the chair can sit on it, so there chair affords pushing and sitting on it for human, however mobile robot (like Parallax Eddie – Reference Platform) can only push the chair but not sit, so there the affordance of chair for mobile robot is only pushing. So the robot can recognize such objects then, classify the object in classes and according to affordance of class behave with this object. Why affordance is so important? Suppose a robot which helps us at home. The robot need to be able to recognize object then classify whether this is a chair class, or table class or even door class, then robot have to know how to behave with object, whether to pull it( with chairs class), go across(with tables class) or just pass through it(door class). In such problems main aim is not to detect object preciously, the aim here is to detect the correct class to which this object belong to, such that general properties of affordance for objects in same class are the same. Nowadays the field object recognition and classification is widely investigating and there a lot of works done in this field. General object recognition rely on visual appearance of object, where invariant descriptors used to recognize and classify object. In other words the snapshots of object are taken from different positions, then local and global descriptors are used to summarize data and finally distance between vectors of these descriptors is calculated to model the object. In article [2] the robot has 2D camera and uses local descriptors and SIFT (Scale-invariant feature transform) features. In SIFT the algorithm is to identify local features of training object and then detect this object on image containing this and many other objects. Another main property in SIFT is the solid proportion of selected points as feature. Suppose we take 4 corners of door as one feature of this object, so in case if the proportion between these points will change then this will cause failure. Like if door is opened or closed for each position of the door proportion between these points will change, what will cause failure, that means on flexible and articulated objects this won’t work because geometry changes what causes the proportion change on points which are selected as feature. However on practice SIFT method uses large numbers of features which reduce the error caused by such local variations. In article [3] the robot controlled via internet where user give voice commands to robot like “Grasp the ball” and etc. In this work neural network proposed which help to classify object in low resolution and noise images using invariant descriptors. Another article is [4]. In this article proposed to use multiple perception of object and motor modality. The robot using statistical technique, and using motor function grasps the object then rotating it take snapshots from different points and also while observation listen sounds from object, based on audio-video and haptic information robot recognize and classify object. Another work about classification of objects is “Grounding semantic categories in behavioral interactions: experiments with 100 objects” [5] In this article 100 object taken and divided in 20 categories in order to test the humanoid robot, where for each category different behavior assigned. Robot uses supervised recognition method where he process not only visual information but also taking in account II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 590
Qafqaz University 18-19 April 2014, Baku, Azerbaijan information with object interaction like grasping, shaking, pushing , pressing and etc. by means of that feature vector formalized and object with similar feature vector combined under same class. The same approach also can be observed in “Learning affordances for categorizing objects and their properties” [6] article that interaction of robot and object can lead to manifestation of object perceptual properties, after that robot will be able to predict effects of actions on object from which perceptual features extracted. The authors of “Using object affordances to improve object recognition” [7] article additionally propose to use motor information of object rather that only using visual information. In this experiment for each training object its associated grasp created (it’s the visual mapping of object according to its affordance) in other words visuomotor map formed. The article show that, the presence of motor information increased effect of recognition, even if this information in test data do not include actual motor information, it latter can be inferred from visuomotor map. In my opinion the best approach is “Multimodal object categorization by a robot” [4] because for beginning our aim is predict the class of object rather than object itself, so if the class of object is recognized then robot will be able to behave with objects taking in account the affordance of class, which in my opinion will give correct output.
1) (The Ecological Approach to Visual Perception, Houghton Mifflin, Boston, 1979.) 2) “Distinctive image features from scale-invariant key points” (D.G. Lowe International Journal of Computer Vision
3) “Efficient object recognition capabilities in online robots: from a statistical to a neural-network classifier” by P. Sanz, R. Marin, J. Sanchez, (IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews 35
4) “Multimodal object categorization by a robot” (T. Nakamura, T. Nagai, N. Iwahashi in: IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2007, 2007, pp. 2415–2420.) 5) “Grounding semantic categories in behavioral interactions: experiments with 100 objects” (J. Sinapov, C. Schenck, K. Staley, V. Sukhoy, A. Stoytchev,Robotics and Autonomous Systems (0) (2012).) 6) “Learning affordances for categorizing objects and their properties” (N. Dag, I. Atil, S. Kalkan, E. Sahin in: 20th International Conference on Pattern Recognition, ICPR 2010, 2010, pp. 3089–3092.) 7) “Using object affordances to improve object recognition” (C. Castellini, T. Tommasi, N. Noceti, F. Odone, B. Caputo, IEEE Transactions on Autonomous Mental Development 3 (3) (2011) 207–215.)
Yüklə 10,69 Mb. Dostları ilə paylaş:
|